автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Разработка интерпретационной картографической системы "ИнформГео" для прогноза нефтеносности месторождений

ВВЕДЕНИЕ.

ГЛАВА 1. ВЫЯВЛЕНИЕ ЗНАНИЙ В ДАННЫХ.

1.1 Интеллектуализация обработки данных.

1.2 Методы интеллектуального анализа данных.

1.3 Обзор аналитических геоинформационных систем.

1.4 Выводы.

ГЛАВА 2. МАТЕМАТИЧЕСКИЕ МЕТОДЫ И АЛГОРИТМЫ КАРТОПОСТРОЕНИЯ В ИНТЕРПРЕТАЦИОННОЙ КАРТОГРАФИЧЕСКОЙ СИСТЕМЕ "ИНФОРМГЕО".

2.1 Картографические средства отображения данных в геоинформационных системах.

2.2 Кубическая сплайн-интерполяция по профилям в

ИКС "ИнформГео".

2.3 Занесение параметрической информации из профилей в узлы сетки в ИКС "ИнформГео".

2.4 Построение численной модели геологической поверхности в

ИКС "ИнформГео".

2.5 Выводы.

ГЛАВА 3. МЕТОДИКА РАСЧЕТА КОМПЛЕКСНОГО ПРОГНОЗНОГО

ПАРАМЕТРА В ИКС "ИНФОРМГЕО".

3.1 Постановка задачи.

3.2 Методы решения задачи классификации.

3.3 Адаптация нейросетевого подхода к расчету комплексного прогнозного параметра.

3.4. Обучение нейронных сетей для расчета комплексного прогнозного параметра.

3.5. Модификация метода самоорганизации логической сети.

3.6. Выводы.

ГЛАВА 4. ОПЫТ ПРАКТИЧЕСКОГО ПРИМЕНЕНИЯ.

4.1 Задачи экспериментальных исследований.

4.2 Построение прогнозных карт нефтеносности на Южно-Черемшанском нефтяном месторождении.

4.2.1 Метод обратного распространения ошибки.

4.2.2 Метод самоорганизации булевой сети.

4.3 Построение прогнозных карт нефтеносности на Олимпийском куполовидном поднятии и южной периклинали Болтной структуры.

4.4 Интерпретация результатов.

4.5 Модель вычислительного устройства на булевых и пороговых элементах.

4.6 Диагностические решающие правила на Южно-Черемшанском нефтяном месторождении.

Актуальность работы

В настоящее время компьютерные технологии автоматического интеллектуального анализа данных переживают бурный расцвет. Это связано главным образом с потоком новых идей, исходящих из области компьютерных наук, образовавшихся на пересечении искусственного интеллекта, статистики и теории баз данных и обозначаемых как Data Mining (обнаружение знаний в данных) [65]. Этим термином сегодня обозначают

II II о и процесс получения из сырых данных новой, потенциально полезной информации о предметной области. Появившийся в 1978 г., термин Data Mining, оказался удачным и приобрел высокую популярность в конце 90-х годов.

Применительно к геологоразведке углеводородов, основной целью которой является построение согласованной геолого-геофизической модели месторождения, дающей ясное представление о вероятности наличия нефти (газа) в данной точке месторождения, проблема обнаружения знаний о причинно-следственных соотношениях между входными (независимыми) и выходными (зависимыми) переменными [33], позволяющими объяснить механизм получения прогнозных зон нефтеносности в явном виде, в настоящее время является очень актуальной.

На сегодняшний день такие модели строятся опытным геофизиком-экспертом в результате комплексной интерпретации и анализа различных полей параметров (геофизических, геохимических), их трансформант, структурного и сейсмического материала и т.д., на основе спектрально-энергетических и статистических методов [30,73,93] с учетом всего накопленного в этой области потенциала знаний. Таких специалистов, как правило, немного, а построение моделей требует больших трудозатрат.

Поэтому актуальной является автоматизация расчета комплексного прогнозного параметра в интерпретационной картографической системе, которая позволяет ускорить процесс создания геолого-геофизической модели месторождения без привлечения экспертов, дополнить ее вероятностью наличия воды в данной точке месторождения. Применение методов интеллектуального анализа, в частности нейронных сетей, позволяет дообучать нейросети при поступлении новых данных, а также выводить диагностические решающие правила, объясняющие механизм прогноза нефти и газа в явном виде. Кроме того, применяемые геофизические и геохимические методы автоматически ранжируются по уровню из значимости для решения задачи.

Традиционным ведущим геофизическим методом, применяемым при поисках и разведке месторождений нефти и газа, является сейсморазведка. Она позволяет решать целый ряд задач прогнозирования геологического разреза. Несмотря на достигнутые успехи в разработке сейсморазведочных методик, успешность прогноза залежей по материалам только этого метода остается недостаточно высокой, особенно в случае сложнопостроенных ловушек, к которым относятся и ловушки, сосредоточенные в меловом интервале разреза осадочного чехла Западной Сибири.

Известно (А.Е. Канторович, O.JI. Кузнецов, P.C. Сахибгареев, Е.Н.Ильясова, В.А. Ежова, Н.Ф. Столбова, C.JI. Шварцев, Г.И. Тищенко, В.А. Баженов и др.), что физические и химические поля, наблюдаемые над месторождениями нефти и газа, видоизменяются в зависимости от расположения залежей и интенсивности процессов преобразования надпродуктивной толщи пород под воздействием миграции углеводородов. Они позволяют создать многомерное признаковое пространство, которое можно использовать как фактическую основу для прогнозирования контура нефтегазоносности. Опыт многолетних геофизических исследований месторождений нефти и газа юго-восточной части Западной Сибири [53,73,89] и других регионов бывшего СССР [3,8,50,67,94] показывает, что структура наблюдаемых магнитных и радиогеохимических полей закономерным образом отражает особенности геологического строения разреза и пространственного расположения углеводородов. Аналогичные результаты приводятся в зарубежной литературе [113].

Одной из наиболее часто встречающихся проблем, встающих перед учеными различных специальностей при комплексной интерпретации разнородных данных, является проблема построения новых объектов - зон до того на карте не существовавших, т.е. участков территорий, однородных в смысле некоторого критерия или группы критериев. В этом смысле задача сводится к проблеме классификации, которая заключается в разбиении многомерного признакового пространства переменных на классы принадлежности или подобия тому или другому эталону и нахождении таким образом зависимости между признаковым пространством переменных, описывающих поведение объекта (класса), и самим объектом (классом).

Применение методов интеллектуального анализа данных [65], в частности нейронных сетей, для решения задачи классификации позволит, во-первых, учитывать первичные полевые данные, которые могут быть статистически непредставительны, во-вторых, автоматизировать процесс расчета комплексного прогнозного параметра путем обучения искусственной нейронной сети на основе околоскважинной (разведочной) информации, и, в-третьих, решить обратную задачу - ранжировать применяемые геофизические и геохимические методы по уровню значимости, что в конечном итоге должно привести к сокращению временных и материальных затрат на интерпретацию полевых данных. Однако, несмотря на свою универсальность, позволяющую реализовать технологию прогноза нефти и газа в виде интерпретационной подсистемы Data Mining в ГИС, нейронные сети обладают плохой интерпретируемостью - процесс решения задачи обученной нейросетью не поддается прозрачному для пользователя описанию.

Дело в том, что в рамках классической нейросетевой парадигмы, во-первых, топология нейросетей задается исходя из эвристических соображений, и, во-вторых, в обученных нейросетях веса межнейронных связей не поддаются анализу и интерпретации человеком. В диссертационной работе предпринята попытка расширения интеллектуальных свойств обучаемых сетей за счет применения так называемых самоорганизующихся (растущих или эволюционирующих) булевых сетей [102], структура которых поддается расшифровке в виде логических высказываний. Этот подход, ориентируемый на объединение принципов обучаемости и интерпретируемости, соответствует целям и задачам Data Mining.

Используемые в работе методы эвристической самоорганизации логической сети для построения согласованной геолого-геофизической модели месторождения позволяют, в отличие от формальной нейросетевой модели "черного ящика" [36] получить интерпретацию решения на основе системы булевых функций, представляющей обученную сеть. От системы булевых функций осуществляется переход к решающим правилам, сформулированным в удобной и понятной для понимания пользователю символьной форме.

Для расчета комплексного прогнозного параметра в интерпретационной картографической системе (ИКС) "ИнформГео" значимыми являются оба подхода - результаты, полученные на реальных данных с применением нейронных сетей, обученных алгоритмом обратного распространения ошибки, и методом самоорганизации логических сетей, коррелируют между собой и с экспертными прогнозными зонами нефти.

Обученная на Южно-Черемшанском нефтяном месторождении методом самоорганизации логическая сеть, состоящая из двухвходовых логических элементов, представляет собой функциональную схему вычислительного устройства, обученного решению задачи прогноза нефтеносности. Разработка нейрочипов, функционирующих в реальном масштабе времени, в настоящее время является актуальной и ведется во многих странах мира. Основная проблема связана с удешевлением элементной базы, поскольку с одной стороны формальные нейроны (ФН) выполняют взвешенное суммирование и нелинейное преобразование сигнала при аналоговых значениях весов взаимодействия нейронов, а с другой стороны создается "тирания межсоединений" в нейрочипах, когда реализуется структурный принцип: каждый ФН связан с каждым ФН. Все это приводит к значительному удорожанию (тысячи долларов) стоимости нейрочипов.

Переход от модели формального нейрона в нейронных сетях к простейшим логическим элементам (пороговым и булевым), реализуемым в двухвходовых логических сетях, обученных в процессе самоорганизации, в рамках диссертационной работы позволил использовать простейшую (недорогую) элементную базу вычислительных устройств, реализуемых на основе технологии ПЛИС (программируемые логические интегральные схемы). Данная технология в связи с быстродействием и сверхнизким уровнем энергопотребления в последнее время находит наибольшее практическое использование при реализации нейрочипов - области микропроцессорной техники, в которой в настоящее время нет подавляющего лидерства США и Японии. Поэтому нишу нейрочипов могут занять другие страны мира, в том числе и Россия.

Предложенная в работе схема вычислительного устройства может быть использована для создания интеллектуальных геологоразведочных приборов, работающих в режиме реального времени в составе штатной геофизической аппаратуры, например, через порт 118-232. Такие приборы в настоящее время пользуются большой популярностью у геологов.

Диссертационная работа посвящена также исследованию вычислительных аспектов интериолянтов, наименее искажающих исходную информацию в данных в процессе картопостроения в геоинформационных системах [23,26,31,96], реализации пакета программ картопостроения в составе ИКС "ИнформГео" [90,91], а также разработке, созданию и включению нейросетевой подсистемы как интеллектуальной составляющей в геоинформационные (картографические) системы, оперирующие с разнородными данными. Обычно такие ГИС включают в себя стандартный набор средств картопостроения [31]: от ввода полевых данных и занесения параметрической информации на регулярную сеть до функций обработки изображений (трансформация полей, выделение изолиний, построение трехмерной геологической модели). В данной работе автором используются разработанные Гафуровым О.М. и проверенные на реальных данных в 80-х годах коллективом томского СКБ НПО "Нефтегеофизика" специфические применительно к предметной области методы построения карт параметров [90], в которых применяется математический аппарат кубических сплайнов и решения второй задачи Коши конечно-разностными методами, реализованные в виде картографической системы "ИнформГео" на ЭГВК ПС-2000 (образец мультипроцессора, имевшего от 8 до 64 процессоров). Система прошла опытно-методическое опробование на материалах Томского геофизического треста и была передана в следующие организации: НОМЭ (г. Новосибирск), Прикаспийское отделение Нижневартовского НИИ геологии и геофизики (г. Астрахань), ААГФЭ (г. Алма-Ата), ЗапСибНИГеофизики, ГВЦ "ГлавТюменьГеология" (г.Тюмень), Наро-Фоминский филиал ВНИИГеофизики (Московская обл.), КОМЭ (г. Киев), ПГО "ЕнисейГеофизика" (г. Красноярск).

В настоящей версии интерпретационной картографической системы "ИнформГео" на базе персонального компьютера автором реализован пакет прикладных программ картопостроения, начиная от ввода полевых данных в систему, а также разработан и создан, в отличие от предыдущей версии системы, блок интеллектуального анализа и интерпретации построенных карт геофизических и геохимических параметров на основе нейросетевых методов с целью локализации нефтегазоносных участков месторождения, с ранжированием входных признаков по уровню значимости, обеспечивающим оценку информативного вклада каждого параметра для точности прогноза. Механизм получения прогноза после обучения сети выдается пользователю логическими решающими правилами в понятном для пользователя виде.

Постановка задачи

По исследуемой площади имеется набор численных значений Ир геофизических и геохимических параметров полевых данных, замеренных по сетке профилей с определенным шагом, а также 5 разведочных скважин с актами испытаний и каротажными оцифрованными диаграммами испытаний, разбитых по своей принадлежности на классы к - нефтяные (газовые) (к—1), водно-нефтяной контакт {к—О), порода (к—~1).

По этим данным необходимо рассчитать значения комплексного прогнозного параметра по регулярной сети, представляющего вероятность наличия нефти (газа), воды и породы в данной точке площади.

Эта задача в описанной постановке является задачей распознавания образов (классификации) - предсказания для объекта значения некоторого его целевого признака, выраженного в шкале наименований. Для ее решения в рамках нейросетевого базиса [38] применительно к задаче геологоразведки углеводородов автором были выделены следующие подзадачи.

1) Рассчитать по регулярной сети карты Р геофизических и геохимических параметров в едином масштабе с общей начальной точкой координат.

2) Сформировать на основе околоскважинной информации выборку и;

Для каждой /-й скважины, где /=/, строится множество £), , состоящее из П\ точек, лежащих в круге радиуса Я» с центром в 1-й скважине. Радиус зависит от геологических условий и параметров околоскважинного пространства.

Для каждой у-й точки из множества 0\ формируется вектор V] длины Р+1, называемый наблюдением, компонентами которого являются значения геофизических и геохимических параметров VV^ и номер класса к, к которому относится /-я скважина: г; .

Таким образом, выборкой, построенной на множестве точек Dj, относящихся к /-й скважине, является множество векторов иЦ }, а выборку, построенную по всем скважинам, образует множество: и=[)и, ={£/„.,t/, }. i=\

3) Разбить выборку U некоторым образом на два подмножества 1]0буч и Unpoe , образующих обучающую и проверочную выборку.

Далее возможны два варианта расчета комплексного прогнозного параметра.

По методу обучения нейросетей алгоритмом обратного распространения ошибки:

4) Сформировать трехслойную нейронную сеть с Р входами, 7 нейронами промежуточного слоя и 1 выходным нейроном, принимающим значение OUT е [-!;!]•

5) На множестве U06y4 обучить нейросеть методом обратного распространения ошибки, обеспечив минимум ошибки обучения.

По методу самоорганизации булевой сети:

4) На множестве U0Qy4 синтезировать булеву сеть.

5) По синтезированной сети вывести решающие правила в виде системы логических выражений "Если, ., то".

6) На множестве Unpoe по несовпадением ответов сети с известными ответами рассчитать ошибку обобщения сети.

7) Предъявить на вход сети наборы значений, не вошедшие в множество U, на основании выходов сети построить прогнозную карту распределения классов по площади.

8) Для каждого из Р входных параметров определить показатель значимости, характеризующий информативный вклад данного параметра в полученные результаты.

Целью данной работы является разработка и практическая реализация в виде интерпретационной картографической системы методики расчета комплексного прогнозного параметра, предусматривающей два подхода комплексного анализа и интерпретации полевых данных, полученных различными геологоразведочными методами:

1) обучение нейронных сетей алгоритмом обратного распространения ошибки;

2) самоорганизацию булевых сетей, позволяющую строить разделяющие булевы функции и выводить диагностические решающие правила, объясняющие механизм решения задачи прогноза нефти и газа в явном виде.

Оба подхода позволяют ранжировать применяемые геофизические и геохимические методы по уровню их значимости для решения задачи.

Основное назначение созданного программного продукта состоит в автоматизации и существенном ускорении процесса создания геолого-геофизической модели месторождения без привлечения экспертов и может быть рекомендовано геологоразведочным предприятиям, занимающимся камеральной обработкой полевых данных.

Для достижения поставленной цели в работе осуществлена систематизация комплекса задач: научно-технических, прикладных, опытно-методических и промышленных.

В рамках решения научно-технических задач проведена классификация существующих алгоритмов картопостроения, а также методов обучения и самообучения нейронных сетей; введена классификация уровней выявления знаний из данных с позиции информационно-аналитической деятельности; на основе общепринятых стандартов обучения искусственных нейронных сетей предложена общая методика комплексной интерпретации геологогеофизического материала, начиная от ввода полевых данных и заканчивая локализацией месторождения нефти и газа; описан класс эффективных интерполирующих функций над профильными данными, посредством которых происходит предварительная обработка исходного материала; выбраны подходящие из известных математические модели, методы и алгоритмы для решения задач прогноза.

В рамках решения прикладных задач было разработано информационно-программное обеспечение, реализующее разработанную методику комплексной интерпретации данных и включенное в виде подсистемы анализа в интерпретационную картографическую систему "ИнформГео" (ИКС "ИнформГео" является расширенной версией системы, разработанной в 80-е годы на ЭГВК ПС-2000 в Томском СКБ НПО "Нефтегеофизика" под руководством Гафурова О.М. [91]). Настоящая версия ИКС "ИнформГео" осуществляет замкнутый цикл камеральной обработки геолого-геофизического материала с прогнозированием залежей нефти и газа и выдачей диагностических решающих правил в форме продукций "Если., то", применяемых в экспертных системах. Методы и подходы комплексного анализа, положенные в основу интеллектуального ядра системы, могут быть использованы для решения задач распознавания, диагностики и прогноза в различных областях (медицина, финансовые рынки (коммерческие банки, инвестиционные фонды и т.д.). В частности применялись автором для анализа финансовой устойчивости предприятий агропромышленного комплекса в рамках разработанной интеллектуальной системы "Нейросетевая прогнозная модель финансовой устойчивости предприятий АПК".

При решении опытно-методических задач под научным руководством к.г.-м.н., доцента кафедры геофизики Томского политехнического университета Меркулова В.П. проведены опытно-методические исследования эффективности предлагаемых подходов на Южно-Черемшанском нефтяном месторождении [40], принадлежащем ЗАО "Томск-петролеум-унд-газ", по результатам исследований разработаны рекомендации к планированию бурения скважин.

Было пробурено 7 скважин, полностью подтвердивших прогноз нефти и водно-нефтяного контакта.

В рамках применения разработанных методов в промышленности согласно государственному контракту между ООО "ИнформГеоСервис" и ОГУП "Томскинвестгеонефтегаз" осуществлена камеральная обработка геолого-геофизических данных на Олимпийском куполовидном поднятии и южной периклинали Болтной структуры, построены прогнозные карты нефтеносности. Результаты работы были защищены на совместном заседании ОГУП "Томскинвестгеонефтегаз" и Комитета природных ресурсов Томской области.

Кроме того, предложены схема вычислительного устройства на основе обученной на реальных данных логической сети, состоящей из двухвходовых логических элементов. Это устройство может быть рекомендовано для создания интеллектуальных геологоразведочных приборов, работающих в режиме реального времени в составе штатной геофизической аппаратуры.

Методы исследования

При решении поставленных задач в работе использованы элементы математического аппарата линейной алгебры, интерполяции и аппроксимации, дифференциальных уравнений, нейроматематики, информатики, теории вероятностей, геофизики, геохимии, дискретной математики, системного анализа, теории информационных систем и обработки данных.

Научная ценность работы состоит в следующем.

1. Адаптация нейросетевого подхода к анализу пространственно распределенных данных в ГИС для решения задачи прогноза нефтеносности месторождений.

2. Модификация метода самоорганизации булевых сетей в части построения дополнительных разделяющих булевых функций и увеличения количества используемых входных переменных для повышения уровня принятия решения.

Достоверность полученных научных результатов, выводов и рекомендаций диссертационной работы подтверждена результатами экспериментальных исследований и камеральной обработки геолого-геофизических данных на Южно-Черемшанском нефтяном месторождении [40], принадлежащем ЗАО "Томск-петролеум-унд-газ" (достоверность прогноза здесь подтверждена бурением скважин №№ 105, 106, 107, 112, 225, 232, (нефть), 102бис (вода)), а также на Олимпийском куполовидном поднятии и южной периклинали Болтной структуры в результате промышленного внедрения интерпретационной картографической системы "ИнформГео" в ОГУП "Томскинвестгеонефтегаз". Прогнозные зоны нефтеносности, рассчитанные в ИКС "ИнформГео", согласуются с экспертными заключениями, а также коррелируют с прогнозными зонами, полученными независимо в системах "Интерсейс" на основе спектрально-энергетического анализа временного разреза и "Геосейс" на основе фазочастотного анализа сейсмических сигналов, что позволило защитить результаты обработки на совместном заседании ОГУП "Томскинвестгеонефтегаз" и Комитета природных ресурсов Томской области. По полученному прогнозу были разработаны рекомендации к планированию глубокого бурения скважин на Олимпийском куполовидном поднятии.

По сравнению с Южно-Черемшанским месторождением, на котором для полного обучения нейронной сети методом обратного распространения ошибки на 12 скважинах потребовалось 4700 циклов обучения, на Олимпийском и Болтном месторождениях уже обученная на Южно-Черемшанском месторождении нейронная сеть полностью дообучилась распознавать классы (нефть, вода) за 110 циклов на 6 разведочных скважинах. Предположительно, такая тенденция к сокращению времени обучения и количества используемых для обучения скважин (объектов) будет сохраняться при обработке следующих месторождений юго-восточной части Западной Сибири [41].

Естественно, что погрешность прогноза во многом зависит от состава и значимости выбранных для анализа геофизических (геохимических) переменных-признаков. При эксплуатации интерпретационной картографической системы "ИнформГео" на базе ООО "ИнформГеоСервис" была проведена работа по выявлению наиболее значимых аргументов для прогноза нефти и газа. Анализ значимости входных признаков на Южно-Черемшанской площади (число образуемых связей каждой переменной в логической сети) по методу самоорганизации позволил сократить число входов сети с 10 до 9, соответствующих следующим параметрам: исходное магнитное поле, осредненное магнитное поле, остаточное магнитное поле, концентрация урана, концентрация тория, концентрация калия, отношение тория к урану, мощность экспозиционной дозы излучения, структурный параметр с показателями значимости 0.2, 0.2, 0.2, 0.36, 0.2, 0.56, 0.56, 0.56 и 0.32 соответственно. Таким образом, наиболее информативными входными признаками оказались концентрация урана, концентрация калия, отношение концентраций тория к урану, мощность экспозиционной дозы излучения и структурный параметр, что согласуется с представлениями экспертов-геофизиков о значимости применяемых геологоразведочных методов для прогнозирования залежей нефти и газа.

Практическая ценность работы состоит в следующем.

1. Разработана методика расчета комплексного прогнозного параметра на основе комплексного анализа и интерпретации разнородных геологоразведочных данных нейросетевыми и логическими методами, предусматривающая построение расширенной геолого-геофизической модели месторождения с учетом наличия воды и нефти в данной точке площади.

2. Получены показатели информативности входных переменных, позволяющие ранжировать применяемые геофизические и геохимические методы по уровню их значимости для прогноза нефти и газа.

3. По результатам интерпретации булевой сети получены решающие (диагностические) правила в виде системы логических выражений, имеющих форму продукций "Если., то", позволяющие диагностировать классы (нефть, вода).

4. Предложена схема вычислительного устройства, которое может быть использовано для создания интеллектуальных геологоразведочных приборов, работающих в режиме реального времени в составе штатной геофизической аппаратуры

5. Разработана интерпретационная картографическая система "ИнформГео" для решения задачи прогнозного картопостроения на основе объединения технологий интеллектуального анализа данных (нейронных сетей и метода самоорганизации булевых сетей) с геоинформационными технологиями.

Использованные модели, методы и алгоритмы позволили реализовать автоматизированную систему ввода, анализа и интерпретации геологоразведочных данных и осуществить, таким образом, замкнутый цикл камеральных работ на нефть и газ.

Реализованные в ИКС "ИнформГео" математические алгоритмы картопостроения позволяют рассчитывать эффективные модели распределения геофизических и геохимических параметров. К ним относится интерполяция кубическими сплайнами, позволяющими свести задачу к решению системы линейных алгебраических уравнений с симметричной матрицей, а также конечно-разностный метод решения дифференциальных уравнений.

Построенная геолого-геофизическая модель Южно-Черемшанского месторождения, прогнозная точность которой проверена бурением 7 скважин, содержит в себе знания о зависимости наличия нефти (газа), воды в данной точке площади от геофизических и геохимических параметров и потенциально применима для локализации прогноза на других месторождениях Юго-Восточной части Западной Сибири в условиях сокращения, во-первых, объектов разведочной информации (скважин), и, во-вторых, признаковых аргументов анализа, что может способствовать сокращению временных и материальных затрат на полевые и камеральные работы по интерпретации геологоразведочных данных.

С другой стороны, разработанное программное обеспечение содержит функции, выполняющие распознавание образов (классов) в условиях недостатка входной информации, образующей, по определению Щетинина В.Г. [102], непредставительную статистику. Обученные в результате самоорганизации логические сети, построенные на опорных функциях, принадлежащих классу булевых функций двух аргументов, в отличие от традиционных нейронных сетей, интерпретируются в виде диагностических таблиц в форме продукций "Если., то", применяемых для представления знаний в экспертных системах. Найденные диагностические решающие правила включают меньшее, чем предлагается экспертами, число входных параметров с весами, обеспечивающими информативный вклад переменной в прогнозирование. Рассчитанные показатели значимости согласуются с представлениями экспертов-геофизиков об эффективности применяемых геологоразведочных методов для прогноза нефтеносности.

По результатам синтеза булевой сети на Южно-Черемшанском нефтяном месторождении создана модель вычислительного устройства на булевых и пороговых элементах, который может быть рекомендован для создания интеллектуальных приборов измерения и интерпретации полевых данных на местности в комплексе со штатной геофизической аппаратурой, например, через порт 118-232. При переходе от одного месторождения к другому данный нейрочип можно перепрограммировать на основе новых разведочных данных, используя технологии ПЛИС.

Представленные алгоритмы самоорганизации логической сети в рамках разработанной методики интерпретации данных позволяют значительно быстрее по сравнению с традиционными (алгоритм обратного распространения ошибки) обучить сеть без ухудшения качества прогноза, а также отвечают требованиям логической прозрачности сети. Это позволяет сделать вывод о возможности использования методики на основе как обучения нейронных сетей, так и самоорганизации булевых сетей для решения задач диагностики, прогнозирования, распознавания образов не только в геологоразведке, но и в других областях знания, в частности, в настоящее время применяется для прогноза финансовой устойчивости предприятий агропромышленного комплекса Томской области. Реализация результатов

Полученные в работе результаты - методика расчета комплексного прогнозного параметра и пакет прикладных программ картопостроения, анализа и интерпретации геофизических и геохимических данных в составе интерпретационной картографической системы "ИнформГео" - прошли опытно-методическое опробование на материалах Южно-Черемшанского нефтяного месторождения, принадлежащего ЗАО "Петролеум-унд-газ". Кроме того, они используются в ООО "ИнформГеоСервис" и ОГУП "Томскинвестгеонефтегаз" в процессе камеральной обработки полевых геофизических и геохимических материалов с целью выявления и оконтуривания нефтегазоперспективных объектов по комплексным геолого-геофизическим данным, обеспечивая решение нефтегазопоисковых и разведочных задач в условиях минимального объема скважинной информации.

На базе выбранной методики расчета комплексного прогнозного параметра разработана интеллектуальная система "Комплексная нейросетевая модель финансовой устойчивости предприятий АПК", которая используется в Администрации Томской области для анализа финансовой устойчивости предприятий АПК.

Копии документов о внедрении прилагаются.

Внедрение результатов работы продолжается, они также могут быть использованы при создании иных автоматизированных систем прогнозирования, решающих задачу распознавания, классификации. Апробация работы

Результаты работы были представлены на Ш-м Международном научном симпозиуме студентов, аспирантов и молодых ученых "Проблемы геологии и освоения недр" (Томск, 13-16 апреля 1999 г.), Международном научном семинаре "Структурный анализ в геологических исследованиях" (Томск, 31 марта - 4 апреля 1999 г.), Международной научно-практической конференции "Геоинформатика-2000" (Томск, сентябрь 2000 г.), Международной научно-практической конференции "Новые информационные технологии в исследовании дискретных структур" (Томск, 12-14 сентября 2000 г.), региональной конференции геологов Сибири, Дальнего Востока и северо-востока России, посвященной 300-летию горно-геологической службы России (Томск, октябрь 2000 г.), УШ-м Всероссийском семинаре "Нейроинформатика и ее приложения" (Красноярск, 6-8 октября 2000 г.), Международной выставке "Высокие технологии. Инновации. Инвестиции" (С-Петербург, 12-15 июня 2001 г.), У1-й Всероссийской инновационной выставке-ярмарке в рамках 1У-го Международного Всесибирского инновационного форума (Томск, 28-30 ноября 2001 г.), Юбилейной Международной конференции по нейрокибернетике, посвященной 90-летию со дня рождения А.Б. Когана (Ростов-на-Дону, 25-28 сентября 2002 г.).

На Международной выставке "Высокие технологии. Инновации. Инвестиции", проходившей в г. С-Петербурге в июне 2001 г., разработанные методы нейрокомпьютерной обработки комплексных геолого-геофизических материалов в интеллектуальной геоинформационной системе "ИнформГео" с целью прогноза нефтегазоносности были отмечены Дипломом Минпромнауки РФ и серебряной медалью выставки. Копия прилагается.

На У1-м Всероссийской инновационной выставке-ярмарке, проходившей 28-30 ноября 2001 г. в рамках 1У-го Международного Всесибирского инновационного форума и областного конкурса "Сибирские Афины", разработанные нейросетевые методы прогноза нефти и газа на основе анализа и интерпретации геофизических и геохимических данных в интерпретационной картографической системе "ИнформГео" были отмечены Дипломом Администрации Томской области. Копия прилагается. Публикации

Основные результаты работы опубликованы в 10 печатных работах.

Структура и объем работы

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений, включающих документы о внедрении. Общий объем диссертации - 185 страниц, 34 рисунка, 11 таблиц, 6 приложений, список использованных источников состоит из 119 наименований.

4.7 Выводы и рекомендации практического назначения

Предлагается технологическая схема повышения эффективности геологоразведочных работ, которая предполагает целенаправленное размещение дорогостоящих технологий, в том числе глубокого бурения, на прогнозных участках, закартированных менее затратными способами (геохимия, геофизика).

Введение стадийности, общепринятой во всем цивилизованном мире, предполагает перед постановкой сейсморазведочных работ проведение современных "прямых" поисков залежей нефти и газа (магнитометрия, радиометрия, геохимические методы и т.д.). В основе многих из них лежит "дыхание" залежей - диффузия и фильтрация углеводородных газов по разрезу к поверхности Земли и те геохимические изменения, которые происходят под действием углеводородов в разрезе пород, почве, а также на контакте между скоплениями углеводородов и водой или породами. Это позволяет сократить общую стоимость сейсморазведочных работ в связи с сокращением общей площади работ, а также повысить перспективность и сократить сроки - в связи с тем, что на сейсморазведку возлагается поиск структуры, давшей наличие углеводородов или их фракций на дневной поверхности или в столбе пород над залежей.

Эффективность предлагаемой технологической схемы нефтегазопоисковых работ, рассчитанная в ООО "ИнформГеоСервис" на примере Лугинецкого нефтегазодобывающего района, представлена на рис. 27.

С (млн. руб.)

Сокращение сроков зазлгздкк скеэжин

У=У1-У2= 800 млн.руб.

Рис. 27. Графики затрат при проведении сейсморазведочных работ и на основе комплексной нефтегазовой разведки на локализованной нефтегазоперспективной площади

Таким образом, глубокое бурение будет обеспечено большей достоверностью в связи с расчетом оценки перспектив нефтегазоносности на основе независимых методов разведки и их комплексной интерпретации.

ЗАКЛЮЧЕНИЕ

В процессе выполнения диссертационной работы получены следующие основные результаты.

1. Предложена методика расчета комплексного прогнозного параметра на основе комплексного анализа и интерпретации геофизических и геохимических данных нейросетевыми и логическими методами в интерпретационной картографической системе "ИнформГео". Оба подхода как интеллектуальные составляющие систем могут применяться для повышения эффективности решения задач диагностики, классификации, распознавания с выдачей прогнозных рекомендаций и диагностических решающих таблиц в различных предметных областях (медицина, промышленность, финансовая деятельность, социология и т.д.), где необходимо проанализировать множество разнородных данных.

2. Предложена модификация метода самоорганизации булевых сетей в части построения дополнительных разделяющих булевых функций и увеличения количества используемых входных переменных.

3. Реализован набор функций интерполяции и метод картопостроения для создания эффективных геологических моделей поверхностей, с элементами дизъюнктивных нарушений и сбросов.

4. Определены оценки значимости входных параметров, наиболее информативных для решения задачи классификации, что в конечном итоге может привести к сокращению временных и материальных затрат на интерпретацию полевых данных.

5. На базе предложенных методик и выбранных алгоритмов разработаны информационное (структура данных), программное и методическое обеспечения интерпретационной картографической системы "ИнформГео", автоматизирующей проведение камеральных работ от ввода полевых данных до построения расширенной геолого-геофизической модели месторождения с локализацией прогнозных залежей нефти, газа, водно-нефтяного контакта на основе комплексной интерпретации геофизических и геохимических материалов и логическим объяснением механизм прогноза.

6. На базе разработанной ИКС "ИнформГео" проведены экспериментальные исследования и осуществлена камеральная обработка геолого-геофизических данных на Южно-Черемшанском нефтяном месторождении, принадлежащем ЗАО "Томск-петролеум-унд-газ" (по результатам расчета комплексного прогнозного параметра пробурено 7 скважин, подтвердивших прогноз нефти и водно-нефтяного контакта), а также на Олимпийском куполовидном поднятии и южной периклинали Болтной структуры. Результаты НИР были защищены на совместном заседании ОГУП "Томскинвестгеонефтегаз" и Комитета природных ресурсов Томской области. Таким образом, продемонстрирована эффективность применения предложенной методики для решения задачи прогноза залежей нефти, газа и водно-нефтяного контакта.

7. Выведены диагностические решающие правила, объясняющие решение задачи геологоразведки углеводородов, на основе интерпретации синтезированной на реальных данных логической сети в виде продукций "если,. то", используемых в экспертных системах.

8. Предложена схема вычислительного устройства на основе синтезированной на Южно-Черемшанском месторождении логической сети. Данное устройство может быть использовано для создания интеллектуальных геофизических приборов, работающих в режиме реального времени.

Основным теоретическим результатом данной работы является адаптация нейросетового подхода к анализу пространственно распределенной информации и решению ГИС-задач.

Практическая реализация полученных результатов в интерпретационной картографической системе "ИнформГео" позволила создать по отношению к импортным геофизическим интерпретационным системам стоимостью до 1 ООО ООО долларов предмет новых конкурентоспособных разработок, понизить уровень требований к квалификации конечного пользователя, повысить производительность, уровень автоматизации и качество получаемых решений, предоставив в распоряжение геофизика-интерпретатора гибкий, универсальный и удобный инструмент прогнозирования залежей нефти и газа не только в юго-восточной части Западной Сибири, но и в России в целом.

1. Айвазян С. А., Бухштабер В. М., Юнюков И. С., Мешалкин JI. Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989.

2. Алексенко А. Г. Основы микросхемотехники. М., "Советское радио" 1971.

3. Алексеев Ф.А., Готтих Р.П., Воробьева В.Я. Использование ядерных методов в нефтегазовой геологии. М.: Недра, 1973. - 380 с.

4. Алексеев Ф.Н., Ростовцев В.Н., Паровинчак М.С. Новые возможности повышения эффективности геологоразведочных работ на нефть и газ. Томск: Изд-во ТГУ, 1997.

5. Арнольд В.И. О функциях трех переменных. Докл. АН СССР, 1957. т. 114, №4, с. 679-681.

6. Архангельский С. В., Степанян А. А. Построение логических схем на пороговых элементах. Куйбышевское книжное издательство, 1967.

7. Бахтеев М.К. Геоэкология. Дубна: Международный университет природы, общества и человека "Дубна", 1997.

8. Березкин В.М., Киричек М.А., Кунарев A.A. Применение геофизических методов разведки для прямых поисков месторождений нефти и газа. М.: Недра, 1978.-223 с.

9. Боголюбов И. Н., Овсиевич Б. JL, Розенблюм JL Я. Синтез схем из пороговых и мажоритарных элементов // Сети передачи информации и их автоматизация. М., "Наука", 1965.

10. Бир С. Кибернетика и управление производством. М.: Наука, 1965.

11. Блюм М. Свойства нейрона со многими входами // Принципы самоорганизации. М., "Мир", 1966, с. 136-162.

12. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М., Наука. Гл. ред. физ.-мат. лит., 1983.

13. Бродовой В.В. Системные геофизические исследования рудных районов. Известия вузов, сер. Геология и разведка, 1979, № 9.

14. Вазов, Форсайт "Разностные методы решения дифференциальных уравнений в частных производных", СПб: Питер, 1982.

15. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. -М.: Наука, 1979.

16. Варшавский В. И. Функциональные возможности и схемы пороговых элементов. "Доклады АН СССР", 1961, т. 139, № 11.

17. Варшавский В. И. Некоторые вопросы теории логических сетей, построенных из пороговых элементов//Вопросы теории математических машин. Под ред. Ю. Я. Базилевского. М.: Наука, 1962.

18. Варшавский В. И. О математической теории нейронных сетей// Применение математических методов в биологии, ЛГУ, 1963, вып. 2.

19. Вахромеев Г.С. Экологическая геофизика.- Иркутск: Изд-во ИрГТУ, 1995.

20. Вахромеев Г.С., Ерофеев Л.Я., Канайкин B.C., Номоконова Г.Г. Петрофизика.- Томск: Изд-во Томского университета, 1997.

21. Виндер Р. Логические схемы на пороговых элементах. "Электроника", 1968, № 11.

22. Волков В.А. "Численные методы", М.: Наука, 1982.

23. Гафуров О.М., Богомолов С.И. Алгоритмическое обеспечение построений и анализа геометрических характеристик геолого-геофизической модели в ИКС "ИНФОРМГЕО", Томск, ЦНТИ, 1990.

24. Гафуров О.М., Горбачев C.B. и др. Разработка картографических методов анализа и интерпретации геофизических полей параметров в интерактивной картографической системе "ИНФОРМГЕО", Томск, ЦНТИ, 1999, с.3-6

25. Гафуров О.М., Горбачев C.B. Геоинформационная система "ИнформГео": алгоритмы и технологии // Труды Международной научно-практической конференции "Геоинформатика-2000", Томск, ТГУ, НПО "Сибгеоинформатика", 2000, с.102-106

26. ГеоГраф, GeoDraw профессиональные отечественные ГИС для широкого круга пользователей // ГИС - обозрение. Зима, 1994. С.24-25.

27. Гик Дж., ван. Прикладная общая теория систем. М.: Мир, 1981.

28. Глаз А.Б. Применение принципов самоорганизации для построения решающих правил на недостаточных обучающих выборках // Автоматика. -Киев, 1984, №3, с. 3-12.

29. Гладкий К.В. Гравиразведка и магниторазведка. М.: Недра, 1980. - 252 с.

30. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.

31. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сиб. журн. вычисл. математики / РАН. Сиб. отделение. Новосибирск, 1998. - т.1, №1, с. 11-24.

32. Горбань А.Н. Обучение нейронных сетей. М.: изд. СССР-США СП "ParaGraph", 1990.

33. Горбачев C.B., Гафуров О.М. Интеллектуальная картографическая система "ИнформГео": опыт использования нейроинформационных технологий// Материалы VIII Всероссийского семинара "Нейроннформатика и ее приложения", Красноярск, 2000, с. 146-148.

34. Горбачев C.B., Гафуров О.М. Построение нейросетевой системы управления для решения задачи идентификации геологического тела 3-D // Материалы IX Всероссийского семинара "Нейроннформатика и ее приложения", Красноярск, 2001, с. 113-114.

35. Горбачев C.B., Гафуров О.М. Разработка нейроинформационных технологий прогноза и управления для решения задачи идентификации геологического тела 3-D в интеллектуальной картографической системе

36. ИнформГео" // Материалы Юбилейной Международной конференции по нейрокибернетике, посвященной 90-летию со дня рождения А.Б. Когана, Ростов-на-Дону, 2002, с.84-87

37. Горбачев Ю.И. Геофизические исследования скважин. М.: Недра, 1990.

38. Горяинов H.H. Применение сейсмоакустических методов в гидрогеологии и инженерной геологии. М.: Недра, 1992.

39. Готтих Р.П. Радиоактивные элементы в нефтегазовой геологии. М.: Недра, 1980.-252 с.

40. Дертоузис М. Пороговая логика. М.: Наука, 1967.

41. Дж. С. Дэвис "Статистический анализ данных в геологии"

42. Дьяконов К.Н. Геофизика ландшафтов.- М.: Изд-во МГУ, 1988.

43. Дюк В.А. Обработка данных на ПК в примерах. СПб: Питер, 1997.

44. Еремин В.Н. Магнитная зональность осадочных пород и пространственное распределение минералов железа в зонах влияния углеводородов // Геология нефти и газа. 1986, № 4, с.28-32.

45. Ивахненко А.Г. Непрерывность и дискретность. Переборные методы моделирования и кластеризации.- Киев: Наукова Думка, 1990.

46. Инструкция по магниторазведке. М.: Недра, 1981. - чЛ. - 178 с.

47. Каштанов В.А. Локальный нефтепрогноз по данным аэромагнитной съемки // Геология нефти и газа. 1988, № 12, с. 7-12.

48. Кендалл М., Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976.

49. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах. Открытые системы, № 4, 1997, с. 41-44.

50. Козлов В.Ф. Ореолы рассеяния как основа прямых геохимических поисков месторождений нефти и газа // Методы оценки нефтегазоносности локальных ловушек. М.: Недра, 1981, с.83-86.

51. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных. Докл. АН СССР, 1956, т. 108, № 2, с. 179-182.

52. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного. Докл. АН СССР, 1957, т. 114, № 5, с. 953-956.

53. Комплексирование методов разведочной геофизики. Справочник геофизика.-М.: Недра, 1984.

54. Комплексные инженерно-геофизические исследования при строительстве гидротехнических сооружений.- М.: Недра, 1990.

55. Коновалова Н.В., Капралов Е.Г. Введение в ГИС. М., 1997. - 160 с.

56. Костицын В.И., Колосов А,И. "Геофизическая кибернетика", Пермь, 1989.

57. Коуэн Дж. Многозначные логики и надежные автоматы // Принципы самоорганизации. М., "Мир", 1966, с. 178-225.

58. Крамбейн У., Грейбилл Ф. "Статистические модели в геологии", Москва, 1969 г.

59. Кречетов Н. Продукты для интеллектуального анализа данных. — Рынок программных средств, № 14-15, 1997, с. 32-39.

60. Кузнецов O.JL, Никитин А.А. Геоинформатика.- М.: Недра, 1992.

61. Лазаренко B.C., Наливкин В.Д. Анализ влияния различных факторов на размещение и формирование месторождений нефти и газа. Л: Недра, 1971. -180 с.

62. Литвинов Э.М. Введение в морскую геофизику.- М.: Недра, 1993.

63. Логовский А. Технология ПЛИС и ее применение для создания нейрочипов. Открытые системы, № 10, 2000.

64. Люис П.М. Пороговые логические схемы. "Экспресс-информация. Вычислительная техника", 1968, № 8.

65. Ляховицкий Ф.М., Хмелевской В.К., Ященко З.Г. Инженерная геофизика,- М.: Недра, 1989.

66. Маккаллок У., Питтс В. Логическое исчисление идей, относящихся к нервной активности. М: Недра, 1956.

67. Меркулов В.П., Зятев Г.Г., Богачев С.Ф. Комплексные геофизические исследования при прогнозировании залежей углеводородов в сложно построенных ловушках. Томск, 1996.

68. Методы геофизики в гидрогеологии и инженерной геологии. М.: Недра, 1985.

69. Мкртчян С.О. Алгоритм построения формального нейрона с оптимальными параметрами. "Изв. АН СССР. Техническая кибернетика", 1965, №4, с. 77-91.

70. Мкртчян С. О. О функциональной полноте формального нейрона. -"Биологический журнал Армении", 1966, № 8, с. 47-55.

71. Мкртчян С.О. Нейроны и нейронные сети. М., "Энергия", 1971.

72. Мкртчян С.О. Новая интерпретация взаимодействия афферентов // Кибернетические аспекты работы мозга. М., "Наука", 1970, с. 225-260.

73. Мкртчян С.О. Новая формальная модель нейрона. "Всесоюзная научная сессия, посвященная дню радио и 50-летию Нижегородской радиолаборатории им. Ленина". Сборник докладов.- М., 1968.

74. Мкртчян С.О. Алгебра формальных нейронов // Энциклопедия измерений, контроля и автоматизации. М., "Энергия", 1970, вып. 14, с. 45-48.

75. Неймарк Ю.И. Обучаемая метрика как интеллект распознавания // ДАН. 1996, т. 349, с.749-751.

76. Огильви A.A. Основы инженерной геофизики.- М.: Недра, 1990.

77. Полевые методы гидрогеологических, инженерно-геологических, мерзлотных и инженерно-геофизических исследований.- М.: Изд-во МГУ, 1982.

78. Разработка концепции мониторинга природно-техногенных систем. Т. 1, 2.-М.: Изд-во РАН, 1993.

79. Растригин Л.А. Адаптация сложных систем. Рига: Зинатне, 1981.

80. Растригин Л.А. Экстраполяционные методы проектирования и управления.- М.: Машиностроение, 1986.

81. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. М.: Мир, 1965.

82. Савич А.И., Ященко З.Г. Исследования упругих и деформационных свойств горных пород сейсмоакустическими методами.- М.: Недра, 1979.

83. Соболев И.С., Рихванов Л.П. и др. Прогнозирование и поиски месторождений нефти и газа радиохимическими методами // Геология нефти и газа, 1999.

84. СКБ сейсмического программного обеспечения. Технический проект "Интерактивное структурное картопостроение с расчетом элементов структурных дислокаций в системе "Информ-Гео", Томск, 1990 г.

85. СКБ сейсмического программного обеспечения. "Интерактивная картографическая система анализа и интерпретации геолого-геофизической информации "Информ-Гео", описание применения", Томск, 1991 г.

86. Страхов В.Н. О развитии геофизики в современных условиях.- Физика Земли, 1995, N 10.

87. Сысолятин Н.В., Тищенко Г.И., Кукушкин В.И. Разработка методики и программного обеспечения прогнозирования нефтенасыщенных коллекторов по энергетическим характеристикам сейсмической записи. Томск, 1996.

88. Тархов А.Г., Бондаренко В.М., Никитин A.A. Комплексирование геофизических методов. М.: Недра, 1982.

89. Трофимов В.Т. Теория и методология экологической геологии. М.: Изд-воМГУ, 1997.

90. Хаксхолд В. Введение в городские географические информационные системы. New York: Oxford, 1991.-321 с.

91. Хмелевской B.K. Геофизические методы исследования земной коры. Кн. 1Дубна: Международный университет природы, общества и человека "Дубна", 1997.

92. Хмелевский В.К. Геофизические методы исследования. М.: Недра, 1988.

93. Цветков В.Я. Геоинформационные системы и технологии. М.: Финансы и статистика, 1998. - 288 с.

94. Шарапанов Н.Н., Черняк Г.Я., Барон В.А. Методика геофизических исследований при гидрогеологических съемках с целью мелиорации земель.-М.: Недра, 1974.

95. Штейнбух К. Автоматы и человек. М.: Сов. Радио, 1967.

96. Щетинин В.Г. Синтез минимальных решающих правил и распознавание хронических лейкозов на основе принципа внешнего дополнения// Математические методы распознавания образов (ММРО-6): Тезисы докладов конференции. М.: РАН, 1995, с. 177-178.

97. Щетинин В.Г. Самоорганизация минимальной нейронной сети // Нейроинформатика и ее приложения: Тезисы докладов III всероссийского семинара.- Красноярск: СО РАН, 1996, с. 103-104.

98. Эшби Р.У. Введение в кибернетику. М.: ИЛ, 1959.

99. Boulding К. Е. General Systems Theory The Skeleton of Science/Management Science, 2, 1956.

100. Friedman N., Geiger D., Goldszmidt M., etc. Bayesian Network Classifiers // Machine Learning. 1997. - № 29. - P. 131-165.

101. Fuernkranz J. A Brief Introduction to Knowledge Discovery in Databases // OEGAI Journal. 1995. - № 14(4). - P. 14-17.

102. Fundamental operation in computer- assisted map analisis // International Journal of Geographical Information Systems, 1987, v. I, pp. 119-136.

103. Green D.G., Reichelt R. Statistical behavior of the GMDH algorithms// Biometrics, 1988, pp. 49-70.

104. Knowledge Discovery Through Data Mining: What Is Knowledge Discovery? — Tandem Computers Inc., 1996.

105. Kosko B. Fuzzy systems as universal approximators. IEEE Trans. On Computers, v. 43, 11, 1329 - 1333, 1994.

106. Neural networks, neurocomputers & beyoud: Technologies Applicotions & Markets // Business Communications Company Inc / Norwalk CT 016855; NC-117, 1992.

107. Pirson S.J. Oil is confined in the Earth by redox potential barriens I I Oil and Gas Journal. 1980.-v.76. -№27.-pp. 152-161.

108. Schetinin V.G., Kostunin A.V. Self-Organization of Neuron Collective of Optimal Complexity// In Proc. Internat. Symp. "Nonlinear Theory and its Applications (NOLTA' 96)".- Japan, 1996, pp. 245-248.

109. Self-organizing Method in Modeling: GMDH Type Algorithms/ Ed. by S.Farlow.- Statistics: N.Y. and Basel, 1984, p. 350.116. HTML http://www.erdas.com117. HTML http://www.esri.com

110. Zadeh L.A. Fuzzy sets as a basis for a theory of possibility // Fuzzy Sets and Systems. 1978. - Vol.1, №1.

111. Webster R., Oliver M.A. Kriging: a method of interpolation for geographical information system // Int. J. Geographical Information Systems, 1990, Vol.4. № 3, p. 313-314.